| 摘要 | 第1-12页 |
| ABSTRACT | 第12-14页 |
| 第一章 绪论 | 第14-25页 |
| ·课题背景及研究意义 | 第14-15页 |
| ·国内外研究现状 | 第15-22页 |
| ·贝叶斯网络的起源和发展 | 第15-16页 |
| ·国内外研究机构 | 第16-18页 |
| ·贝叶斯斯网络在图像像理解和视视频分析中的的研究现状状 | 第18-21页 |
| ·存在的问题 | 第21-22页 |
| ·论文主要工作及成果 | 第22-23页 |
| ·论文内容安排 | 第23-25页 |
| 第二章 贝叶斯网络理论 | 第25-46页 |
| ·引言 | 第25页 |
| ·图像内容表述和高层处理的概率框架 | 第25-29页 |
| ·图像语义层次模型 | 第26-27页 |
| ·图像中的上下文信息 | 第27-28页 |
| ·高层处理的概率框架 | 第28-29页 |
| ·静态贝叶斯网络 | 第29-38页 |
| ·基本概念 | 第29-30页 |
| ·贝叶斯网络推理 | 第30-34页 |
| ·贝叶斯网络学习 | 第34-38页 |
| ·动态贝叶斯网络 | 第38-43页 |
| ·基本概念 | 第38-39页 |
| ·动态贝叶斯网络推理 | 第39-41页 |
| ·动态贝叶斯网络学习 | 第41-43页 |
| ·贝叶斯网络的特点和优势 | 第43-45页 |
| ·贝叶斯网络的特点 | 第43-44页 |
| ·用于图像理解和视频分析的优势 | 第44-45页 |
| ·本章小结 | 第45-46页 |
| 第三章 基于贝叶斯网络的局部图像语义建模 | 第46-76页 |
| ·引言 | 第46-47页 |
| ·面向图像检索和分类的语义建模方法回顾 | 第47-52页 |
| ·局部语义建模面临的主要问题 | 第47-48页 |
| ·现有方法回顾 | 第48-52页 |
| ·面向场景分类的贝叶斯网络局部语义建模 | 第52-61页 |
| ·基本原理与处理流程 | 第52页 |
| ·局部语义对象的上下文贝叶斯网络模型（CBN_SO） | 第52-55页 |
| ·区域语义推理 | 第55-57页 |
| ·场景表述和分类 | 第57-58页 |
| ·实验结果与分析 | 第58-61页 |
| ·自动学习图像局部语义上下文的贝叶斯网络模型 | 第61-74页 |
| ·模型描述 | 第61-62页 |
| ·模型学习 | 第62-65页 |
| ·模型推理 | 第65页 |
| ·融合空间上下文的高分辨遥感地物分类 | 第65-74页 |
| ·本章小结 | 第74-76页 |
| 第四章 基于贝叶斯网络的场景语义建模和分类 | 第76-103页 |
| ·引言 | 第76-77页 |
| ·场景分类的研究现状 | 第77-84页 |
| ·现有方法回顾 | 第78-83页 |
| ·不同方法之间的差异比较 | 第83-84页 |
| ·基于上下文贝叶斯网络的场景语义建模和分类 | 第84-101页 |
| ·基本原理和处理流程 | 第84-85页 |
| ·场景分类的概率框架 | 第85-86页 |
| ·场景的上下文贝叶斯网络模型 | 第86-93页 |
| ·实验结果与分析 | 第93-101页 |
| ·本章小结 | 第101-103页 |
| 第五章 基于动态贝叶斯网络的视频图像中交互行为分析 | 第103-125页 |
| ·引言 | 第103-104页 |
| ·视频行为分析的研究现状 | 第104-110页 |
| ·现有方法回顾 | 第104-109页 |
| ·视频行为分析目前存在的问题 | 第109-110页 |
| ·基于HMO-DBN 的视频图像目标交互行为分析 | 第110-124页 |
| ·基本框架 | 第110-111页 |
| ·基于场景事件的单目标行为描述 | 第111-113页 |
| ·基于HMO-DBN 的交互行为建模 | 第113-117页 |
| ·实验结果与分析 | 第117-124页 |
| ·本章小结 | 第124-125页 |
| 第六章 结论与展望 | 第125-127页 |
| 致谢 | 第127-128页 |
| 参考文献 | 第128-142页 |
| 攻读博士期间取得的学术成果 | 第142-143页 |
| 攻读博士期间参与的科研项目 | 第143页 |
